氣象條件對光伏電站日污穢損失率的影響分析

楊 旭，喻 聰，龔 旭

(中國電建集團貴州工程有限公司，貴陽550003)

0 引言

在各項環境因素中，因光伏組件表面沉積的灰塵而造成的那部分光伏電站系統效率的損失，即污穢損失率，是影響光伏電站發電量的重要因素，其造成的影響僅次于太陽輻照度和溫度造成的影響[1]。尤其是建設于荒漠、沙漠等風沙較大地方的光伏電站，降低污穢損失率顯得更加重要。因此，不同國家的學者均對自然條件下污穢與光伏發電性能之間的關系進行了大量研究[2-5]，且均發現：污穢損失率隨空氣中灰塵含量、相對濕度、風速等的不同而不同，但以上研究都未對各種情況與污穢損失率之間的關系進行歸納。Micheli等[6]通過研究美國20個地點的光伏發電系統的污穢損失率，發現利用氣象和空氣污染數據預測每個地點的污穢損失率是可行的，但是該研究中并未給出量化分析氣象環境與污穢損失率之間關系的方法。Wasim等[5]對比了分別利用人工神經網絡和線性回歸分析污穢損失率的效果，結果顯示：雖然人工神經網絡在預測污穢損失率方面具有更高的精度，但其精度范圍也僅為50%～84%，作為工程應用不確定度還是太高，同時該研究并未指明如何將其研究結果用于實際應用。

遺傳算法是模擬生物在自然環境中的遺傳和進化過程而形成的一種自適應、全局的優化搜索算法，具有廣泛適用性[7]。該算法最早由美國的John Holland于20世紀70年代提出，可巧妙地模擬生物染色體的交叉、變異等過程，將問題的求解轉變為生物的進化過程。因此，將遺傳算法應用到神經網絡對光伏電站系統效率損失的污穢損失率預測中，不僅能解決預測過程中的隨機性問題，獲取最優的神經網絡參數[8-9]，而且還能提高預測精度，為工程評估提供更為可靠的結果。基于此，本文將遺傳算法與反向傳播(back propagation，BP)神經網絡進行結合(下文簡稱為“遺傳算法BP神經網絡”)，并建模，通過模擬分析風速、風向、相對濕度及環境PM10濃度這些氣象條件與日污穢損失率之間的關系，建立改進的光伏電站日污穢損失率預測模型。

1 BP神經網絡

1986年，BP神經網絡[8,10]由Rumelhart和McClelland率先提出，是一種按誤差逆向傳播法訓練的多層前饋神經網絡，在目前的神經網絡中其應用較為廣泛。將BP神經網絡應用到光伏電站的日污穢損失率預測中，分析日污穢損失率與風速、風向、相對濕度及環境PM10濃度等之間的關系。BP神經網絡的一個神經元如圖1所示[8]。圖中：n為輸入權值的個數；xi為激活函數的第i個輸入參數，i∈n；wi為第i個輸入權值；f為激活函數；α為上層神經元輸出；B為偏置；y為輸出函數。

圖1 BP神經網絡的一個神經元Fig. 1 A neuron of BP neural network

圖1中，n個輸入權值wn(n=1, 2,…,i,…,n)

(α,B)。

BP神經網絡中隱含層激活函數f(x)通常由雙曲正切函數表示，即：

其中，激活函數的輸入參數可表示為：

日污穢損失率的預測值yk與日污穢損失率的真實值tk的誤差E可表示為：

2 遺傳算法

遺傳算法的基本操作步驟為：

1)確定位串。采用長度l的二進制字符串{0,1}來表示每個個體的編碼，也稱位串。編碼通常需考慮完備性、健全性、非冗余性等方面。問題空間中的所有點都能通過遺傳算法空間中的點來表現，染色體和候選解一一對應。

2) 建立初始群體。隨機生成M個個體作為初始群體P(0)，個體數量可選擇4～30個。

3)適應度。適應度用于表示個體對環境的適應能力，也即繁殖后代的能力，是判斷群體中的個體優劣程度的指標。在本模型中適應度為訓練數據的預測誤差。

4)個體的選擇。從舊群體中選擇個體到新群體中，個體被選中的概率與適應度值有關，適應度值越好，被選中的概率越大。

5)個體的交叉。從個體中選擇2個個體，通過將2個個體的染色體交叉組合，從而產生新的優秀個體。

6)個體的變異。從群體中選擇任意1個個體，選擇個體的染色體中的1點進行變異，以產生更優秀的個體。

3 遺傳算法BP神經網絡模型

遺傳算法BP神經網絡可擴大神經網絡的搜索空間、提高計算效率[11]。遺傳算法BP神經網絡模型的計算流程圖[8]如圖2所示。

圖2 遺傳算法BP神經網絡模型的計算流程圖Fig. 2 Calculation flow chart of genetic algorithm BP neural network model

4 參數選擇及計算分析

4.1 參數選擇

選擇文獻[5]中的統計數據作為遺傳算法BP神經網絡模型的計算數據，由于影響光伏電站的污穢損失率的氣象條件因素主要包括風速、風向、相對濕度、環境PM10濃度等，因此，將風速、風向、相對濕度、環境PM10濃度作為模型的輸入參數；將日污穢損失率作為模型的輸出參數。

4.2 模型驗證與誤差分析

依據圖2，利用遺傳算法BP神經網絡模型對數據進行處理，從所有收集到的數據中隨機選擇80%的數據用于模型訓練，從而獲取模型參數；然后利用未使用的20%的數據來預測日污穢損失率。日污穢損失率的預測值與真實值的對比如圖3所示，預測值與真實值的誤差如圖4所示。

圖 3 日污穢損失率的預測值與真實值的對比Fig. 3 Comparison between predicted value and actual value of daily pollution loss rate

圖4 日污穢損失率的預測值與真實值的誤差Fig. 4 Error between predicted value and actual value of daily pollution loss rate

從圖3可以看出；日污穢損失率的預測值與真實值的跟隨性較好，且模型能準確模擬出個別出現正值(正值代表日污穢損失率相對于前一天減小，負值代表日污穢損失率相對于前一天增加)的情況。雖然存在極個別誤差較大的點，但是考慮到日污穢損失率對光伏電站發電量的影響是一個累積過程，極個別的單日誤差不會影響對于污穢損失率的整體評估。

通過圖4中的數據可以計算得到：日污穢損失率的預測值與真實值之間的平均絕對誤差為0.0722%，均方差為0.0096%，均方根誤差為0.098%，相對誤差為83.44%，回歸系數為89.9%。而文獻[5]中單純使用人工神經網絡時得到的回歸系數為50%～84%，本模型結果比其最高可提高5.9%。從誤差來看，日污穢損失率預測值能很好地反應真實情況，可以應用到實際光伏發電工程中。

4.3 年污穢損失率預測

根據訓練得到的模型參數，使用卡塔爾多哈市的氣象數據，預測2015年該地區光伏電站的日污穢損失率，預測結果如圖5所示。

圖5 1年內的日污穢損失率預測結果Fig. 5 Daily pollution loss rate forecast results for one year

從圖5可以看到：該地區光伏電站存在部分日污穢損失率大于零的情況。從所有886組樣本數據中篩選出正值的情況，分析發現：有14組數據是在風速為0～2 m/s、相對濕度大于75%、環境PM10濃度為0.085～0.150 mg/m3的情況下出現的正值；有27組數據是在風速大于4 m/s、相對濕度為15%～60%、環境PM10濃度為0.11～0.17 mg/m3的情況下出現的正值；有52組數據是在風速為2～4 m/s、相對濕度為15%～30%、環境PM10濃度為0.10～0.12 mg/m3的情況下出現的正值。通過比較當時的氣象條件可以發現，在2種氣象條件下日污穢損失率出現正值的可能性較大：一種是在高風速、低濕度的情況下，即在天氣較干燥、風速較大的情況下，更容易將沉積在光伏組件表面上的灰塵吹起，使光伏組件表面變得較為清潔；另一種是相對濕度較大的情況，往往預示著下雨或類似天氣情況，降水將光伏組件表面上沉積的灰塵沖刷掉，導致日污穢損失率出現正值。可以看到，該種情況能通過遺傳算法BP神經網絡模型準確預測。

在表面有灰塵堆積，但不考慮光伏組件清洗的情況下，得到當地環境下光伏組件1年內的潔凈率情況，具體如圖6所示。

圖6 1年內光伏組件不清洗時的日潔凈率情況Fig. 6 Daily cleaning rate within one year without cleaning

從圖6可以看出：從第1天開始沉積灰塵，在全年不進行清洗時，光伏組件表面的潔凈率逐漸降低，與時間呈二次曲線的關系，前期光伏組件的日潔凈率下降較快，到后期下降較慢，這是因為前期沉積的灰塵已經遮擋了大部分陽光；而后期繼續沉積的灰塵雖然覆蓋在光伏組件表面后能繼續導致其日潔凈率降低，但是降低幅度減小了。從灰塵的年累積效果來看，年底時光伏組件表面的日潔凈率為年初時的14.51%，即到年底時造成的污穢損失率將達到85.49%；年均潔凈率僅為43.81%，年均污穢損失率將達到56.19%，這一損失值非常大，將嚴重影響光伏電站的發電量。所以現在的光伏電站在設計時大多要考慮與清洗策略配合，采取清洗機器人、人工或機械清洗措施。

4.4 預測污穢損失率與光伏組件清洗策略

為了將遺傳算法BP神經網絡模型預測得到的日污穢損失率結果應用于光伏電站設計中，需要將灰塵沉積與光伏組件的清洗策略結合，假設每次清洗都能完全清洗光伏組件表面的灰塵，計算得到清洗周期分別為1、3、5、…、17天時光伏組件表面的年均潔凈率，具體如圖7所示。

圖 7 清洗周期與光伏組件表面年均潔凈率的關系Fig. 7 Relationship between cleaning cycle and annual average cleaning rate of PV module surface

從圖7可以看到：隨著清洗周期的延長，光伏組件表面的年均潔凈率呈線性降低，這也說明污穢損失率隨著清洗周期的延長呈線性增加。清洗周期越長，灰塵在光伏組件表面停留的時間就越長，遮擋陽光直射到光伏組件上的時間就越長；從長效應來看，灰塵的沉積是每天增加的，每天增加的部分將增大對陽光的阻擋，而且覆蓋在光伏組件表面的灰塵還會影響光伏組件的散熱，導致光伏組件的輸出功率進一步降低。從圖7還可以看出：每天清洗時光伏組件表面的年均潔凈率高達99.18%，而若間隔17天清洗一次，則年均潔凈率將降至95.16%。由于各個地方的氣象條件不一樣，不同清洗周期得到的光伏組件表面的年均潔凈率不同，對于具體的光伏電站，則需要根據當地氣象條件做具體分析。

計算得到清洗周期為7天時1年內光伏組件的日潔凈率，具體如圖8所示。

圖8 清洗周期為7天時1年內光伏組件的日潔凈率Fig. 8 Daily cleaning rate of PV modules when cleaning cycle is 7 days in one year

從圖8可以看出：每次清洗完成后到下一次清洗之前，空氣中的灰塵逐漸在光伏組件表面積累，光伏組件的日潔凈率逐漸降低，直到下一次清洗后才得以恢復，并開始下一次循環。而日潔凈率降低的值即為圖5給出的日污穢損失率值，這樣在1年內對圖中曲線進行積分后可計算出平均值，由此得到光伏組件1年的平均潔凈率，該值可以用于光伏電站設計時日污穢損失率的評估。

5 結論

本文將遺傳算法與BP神經網絡相結合形成遺傳算法BP神經網絡，并建模，通過輸入風速、風向、相對濕度及環境PM10濃度，研究了氣象條件對光伏電站日污穢損失率的影響。結果顯示：

1)利用遺傳算法BP神經網絡和氣象數據對日污穢損失率進行預測的誤差可以滿足精度要求，相比于單純使用人工神經網絡，誤差可減少

5.9%。

2)日污穢損失率隨著光伏組件清洗周期的延長呈線性增長，光伏組件表面年均潔凈率呈線性下降。

3) 遺傳算法BP神經網絡能很好預測氣象環境導致的污穢損失率，通過氣象條件參數可以對當地建設的光伏電站的日污穢損失率進行預估。